GRAAL : Classification automatique de nomenclatures statistiques par approche agentique

Graph-based Research with Agents for Automatic Labelling

SSPlab

INSEE

13 janvier 2026

Plan

Contexte : Défis de la classification statistique
Problématique : Limites des approches actuelles
Solution GRAAL : Architecture multi-agents
Implémentation : Composants techniques
Résultats : Évaluation et performances
Perspectives : Développements futurs

Contexte

Classification dans les nomenclatures officielles

Nomenclatures INSEE

NACE : Activités économiques
- ~700 codes sur 4 niveaux
- Structure hiérarchique stricte
COICOP : Produits de consommation
- Classification internationale
- Mise à jour régulière

Défis actuels

📊 Volume : Millions d’entreprises à classifier
⏱️ Temps : Annotation manuelle coûteuse
🎯 Précision : Exigences de qualité statistique
📝 Traçabilité : Audit et justification

État de l’art

Problématique

Limites des LLMs pour les nomenclatures

Problèmes identifiés

Context window limité
- Impossible de charger 700+ codes
- Perte d’information hiérarchique
Inconsistance
- Résultats variables entre runs
- Hallucinations sur codes rares
Boîte noire
- Pas de justification
- Audit impossible

Exemple concret

# ❌ Approche naive
prompt = f"""
Classifie cette entreprise:
'{description}'
Codes possibles: {all_700_codes}
"""
# Token limit exceeded!

# ❌ Résultats inconsistants
"Boulangerie" → "10.71Z" (run 1)
"Boulangerie" → "47.24Z" (run 2)

Solution GRAAL

Architecture multi-agents

%%{init: {'theme':'base', 'themeVariables': { 'fontSize': '16px'}}}%%
flowchart TB
    Input["🏢 Description entreprise"]
    
    subgraph GRAAL["Framework GRAAL"]
        GA["🔍 Graph Agent<br/>Navigation hiérarchique"]
        RA["📚 RAG Agent<br/>Recherche contextuelle"]
        EA["✅ Evaluation Agent<br/>Validation & scoring"]
        
        subgraph KG["Knowledge Graph"]
            N1["NACE Codes"]
            N2["Relations"]
            N3["Descriptions"]
        end
    end
    
    Output["📊 Code + Confiance + Justification"]
    
    Input --> GA
    GA <--> KG
    GA --> RA
    RA <--> KG
    RA --> EA
    EA --> Output
    
    style GRAAL fill:#e8f5e9
    style KG fill:#fff3e0

%%{init: {'theme':'base', 'themeVariables': { 'fontSize': '16px'}}}%%
flowchart TB
    Input["🏢 Description entreprise"]
    
    subgraph GRAAL["Framework GRAAL"]
        GA["🔍 Graph Agent<br/>Navigation hiérarchique"]
        RA["📚 RAG Agent<br/>Recherche contextuelle"]
        EA["✅ Evaluation Agent<br/>Validation & scoring"]
        
        subgraph KG["Knowledge Graph"]
            N1["NACE Codes"]
            N2["Relations"]
            N3["Descriptions"]
        end
    end
    
    Output["📊 Code + Confiance + Justification"]
    
    Input --> GA
    GA <--> KG
    GA --> RA
    RA <--> KG
    RA --> EA
    EA --> Output
    
    style GRAAL fill:#e8f5e9
    style KG fill:#fff3e0

Navigation dans le graphe

Approche hiérarchique

# Navigation intelligente
class GraphNavigator:
    def navigate(self, description):
        # 1. Identifier section (A-U)
        section = self.find_section(description)
        
        # 2. Descendre division (01-99)
        division = self.explore_division(
            section, description
        )
        
        # 3. Raffiner groupe/classe
        return self.refine_classification(
            division, description
        )

Avantages

✅ Exploration guidée - Suit la structure NACE - Réduit l’espace de recherche

✅ Traçabilité complète - Chemin de décision clair - Justifications à chaque étape

✅ Cohérence garantie - Respect des contraintes hiérarchiques - Pas de codes invalides

Implémentation

Stack technique

Infrastructure

🐍 Python 3.11+
🔧 SSPCloud/Onyxia
📦 MinIO Storage
🐳 Docker/K8s

Core Libraries

🧠 LangChain/LangGraph
🗄️ Neo4j Graph DB
🤖 Ollama/vLLM
📊 Pandas/Polars

Monitoring

📈 Langfuse (tracing)
🔍 OpenTelemetry
📊 MLflow
🎯 Custom metrics

Code : Agent de navigation

from langchain.agents import AgentExecutor
from neo4j import GraphDatabase
from typing import Dict, List

class NavigatorAgent:
    def __init__(self, graph_uri: str):
        self.driver = GraphDatabase.driver(graph_uri)
        self.tools = self._create_navigation_tools()
    
    def classify(self, description: str) -> Dict:
        # 1. Analyse initiale
        context = self.extract_features(description)
        
        # 2. Navigation hiérarchique
        path = self.navigate_hierarchy(context)
        
        # 3. Validation finale
        result = self.validate_classification(path)
        
        return {
            "code": result.code,
            "confidence": result.confidence,
            "justification": result.explanation
        }

description = """
Entreprise de fabrication artisanale de pains spéciaux 
et viennoiseries, avec vente directe en boutique
"""

# Étape 1: Section
"fabrication" + "pains" → Section C (Industrie)

# Étape 2: Division  
"artisanale" + "pains spéciaux" → Division 10

# Étape 3: Groupe
"viennoiseries" → Groupe 10.7

# Étape 4: Classe
"vente directe" → 10.71Z

{
  "code": "10.71Z",
  "label": "Fabrication de pain et pâtisserie fraîche",
  "confidence": 0.94,
  "path": ["C", "10", "10.7", "10.71", "10.71Z"],
  "justification": "Fabrication artisanale (C) de produits 
                    de boulangerie (10.7) avec vente directe"
}

Résultats

Performance sur données de test

Note

Évaluation sur 1,800 entreprises annotées manuellement (golden dataset)

Métriques détaillées

Performances quantitatives

Métrique	Baseline	GRAAL	Gain
Précision Top-1	70%	89%	+19%
Précision Top-3	82%	96%	+14%
Rappel	68%	87%	+19%
F1-Score	0.69	0.88	+0.19
Temps médian	120ms	450ms	+330ms

Avantages qualitatifs

✅ Explicabilité : 100% des décisions justifiées

✅ Cohérence : <2% de variance inter-runs

✅ Auditabilité : Trace complète du raisonnement

✅ Adaptabilité : Mise à jour facile des règles

✅ Scalabilité : 10K classifications/heure

Analyse des erreurs

Important

Principale source d’erreur : Entreprises multi-activités nécessitant une analyse du chiffre d’affaires

Démonstration

Interface de test

Démo live

Démonstration de l’interface web : graal-demo.lab.sspcloud.fr

Perspectives

Développements en cours

Court terme (Q1 2025)

🔧 Optimisation performances
📊 Dashboard de monitoring
🤝 API REST pour production
📚 Extension à COICOP

Moyen terme (2025)

🌍 Support multilingue
🔄 Active learning
🏗️ Intégration SI INSEE
📈 Génération données synthétiques

Vision long terme

%%{init: {'theme':'base'}}%%
timeline
    title Roadmap GRAAL 2025-2027

    Q1 2025 : API Production
            : Tests A/B
            : Documentation

    Q2 2025 : Déploiement pilote
            : Formation utilisateurs
    
    Q3 2025 : Extension COICOP
            : Multilingue (EN/DE)
    
    2026    : Généralisation INSEE
            : Open source
            
    2027    : Standard européen
            : Collaboration Eurostat

%%{init: {'theme':'base'}}%%
timeline
    title Roadmap GRAAL 2025-2027

    Q1 2025 : API Production
            : Tests A/B
            : Documentation

    Q2 2025 : Déploiement pilote
            : Formation utilisateurs
    
    Q3 2025 : Extension COICOP
            : Multilingue (EN/DE)
    
    2026    : Généralisation INSEE
            : Open source
            
    2027    : Standard européen
            : Collaboration Eurostat

Conclusion

Points clés

✅ Solution opérationnelle pour la classification automatique
✅ Gain de productivité significatif (+70% de rapidité)
✅ Qualité maintenue avec traçabilité complète
✅ Architecture extensible à d’autres nomenclatures
✅ Approche innovante combinant LLMs et graphes

Questions ?

📧 theo.ferry@insee.fr

🔗 github.com/InseeFrLab/GRAAL

📊 SSPLab - INSEE Innovation

Annexes

Architecture détaillée

Benchmarks complets

Dataset	Taille	Baseline	GRAAL	Temps
SIRENE	10K	68%	87%	2.3h
NAF-Test	5K	72%	91%	1.1h
EU-Business	15K	65%	85%	3.5h

Références bibliographiques

LangChain Documentation (2024)
Neo4j Graph Data Science (2024)
INSEE Nomenclatures (2025)